Fall Detector pada Lansia berbasis IoT Menggunakan Sensor MPU-6050 dan Sensor GPS Neo 6M
Article Sidebar
Main Article Content
Abstract
Lanjut usia merupakan seseorang yang telah mencapai usia 60 tahun ke atas. Jatuh merupakan kecelakaan yang paling umum terjadi pada lansia dan dapat menyebabkan patah tulang, cidera kepala, cacat bahkan kematian. Di Indonesia, prevalensi cidera jatuh pada penduduk diatas usia 55 tahun mencapai 49,4%, umur di atas 65 tahun keatas 67,1%, dan umur 75 tahun keatas 78,2%. Penelitian ini bertujuan membangun suatu sistem pendeteksi jatuh berbasis Internet of Things (IoT) pada lansia menggunakan sensor MPU-6050 dan sensor GPS Neo 6M. Sensor MPU-6050 berfungsi untuk membaca percepatan gravitasi, sedangkan sensor GPS Neo 6M berperan dalam mendeteksi titik lokasi. Metode penelitian melibatkan pengumpulan data dari sensor dan analisis menggunakan teknik pemrosesan sinyal untuk mendeteksi jatuh. Data lokasi ditampilkan pada Google Maps melalui aplikasi Android. Saat jatuh terdeteksi, buzzer menyala dan notifikasi push muncul pada perangkat Android. Akurasi deteksi lokasi oleh sensor GPS Neo 6M diukur menggunakan Root Mean Square Error (RMSE), dengan nilai error 3,47 meter untuk RMSEx, 3,07 meter untuk RMSEy, dan 4,63 meter untuk RMSEr. Rata-rata delay respon sistem notifikasi adalah 4,71 detik. Hasil penelitian menunjukkan bahwa sistem ini dapat mendeteksi jatuh dan memberikan notifikasi lokasi dengan akurasi dan waktu respon yang memadai, sehingga dapat meningkatkan keselamatan lansia.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
References
[2] DINSOS DIY, Kesejahteraan Lanjut Usia. Daerah Istimewa Yogyakarta: Dinas Sosial Daerah Istimewa Yogyakarta, 2017.
[3] M. T. Hidayat, “Monitoring Peristiwa Jatuhnya Lanjut Usia di Lingkungan Rumah Berbasis ESP32 Menggunakan Sensor Gyroscope,” Sriwijaya University Institutional Repository, 2018, Accessed: Oct. 03, 2023. [Online]. Available: http://repository.unsri.ac.id/id/eprint/10097
[4] D. S. Tsani and I. H. Mulyadi, “Sistem Pendeteksi Jatuh Wearable untuk Lanjut Usia Menggunakan Accelerometer dan Gyroscope,” Journal of Applied Electrical Engineering, vol. 3, no. 2, Dec. 2019.
[5] I. M. Paiz, “Penerapan IoT pada Prototipe Deteksi Jatuh Untuk Lansia Warable dengan Desain Simpel Menggunakan Aplikasi Android Tugas Akhir Program Studi Teknik Elektronika Universitas Nusa Putra Sukabumi 2020,” Sukabumi, Aug. 2020.
[6] A. Hendi, H. Hermanto, and A. Rozaaq, “Sistem Deteksi Jatuh dan Peringatan Dini Pada Manusia Berbasis Android,” Jurnal Sistem Komputer dan Informatika (JSON), vol. 3, no. 3, p. 350, Mar. 2022, doi: 10.30865/json.v3i3.3927.
[7] P. Budianto and W. Andhyka Kusuma, “Monitoring Jatuh Dengan Menggunakan Sensor Accelerometer dan Gyroscope,” REPOSITOR, vol. 3, no. 1, pp. 51–64, 2021.
[8] S. Dwijoseputra, “Sistem Deteksi Jatuh Berbasis Internet of Things,” Institut Bisnis Dan Informatika STIKOM Surabaya, Jan. 2019.
[9] M. Firmansyah, A. Rizal, and E. Susanto, “Rancang Bangun Sistem Fall Detection Untuk Orang Lanjut Usia Berbasis Inertial Measurement Unit,” Jurnal Penelitian dan Pegembangan Telekomunikasi, Kendali, Komputer, Elektrik, dan Elektronika (TEKTRIKA), vol. 1, no. 2, Jun. 2016.
[10] A. Darmawan and R. F. Hasani, “Rancang Bangun Sistem Monitoring Posisi dan Kondisi Jatuh Manusia Lanjut Usia (Manula) Berbasis Internet of Things (IoT),” Journal of Communications, Antennas and Propagation, vol. 1, no. 1, Oct. 2020.
[11] M. I. Nari, S. S. Suprapto, I. H. Kusumah, and W. Adiprawita, “A simple design of wearable device for fall detection with accelerometer and gyroscope,” in 2016 International Symposium on Electronics and Smart Devices, ISESD 2016, Institute of Electrical and Electronics Engineers Inc., Mar. 2017, pp. 88–91. doi: 10.1109/ISESD.2016.7886698.
[12] F. A. Maulana, “Sistem Deteksi Jatuh Untuk Manusia Lanjut Usia Berbasis Arduino,” Universitas Islam Negeri Syarif Hidayatullah, Jakarta, 2018. Accessed: Oct. 03, 2023. [Online]. Available: https://repository.uinjkt.ac.id/dspace/handle/123456789/55606
[13] R. A. P. Effendy, “Perancangan Prototipe Pendeteksi Gerakan Jatuh Pada Lansia Menggunakan Sensor Accelerometer Berbasis IoT,” Universitas Islam Indonesia, 2020.
[14] A. Suprayogi, “Sistem Pendeteksi Kecelakaan Pada Sepeda Motor Berdasarkan Kemiringan Menggunakan Sensor Gyroscope Berbasis Arduino,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 03, Jan. 2019, Accessed: Dec. 03, 2023. [Online]. Available: http://j-ptįįk.ub.ac.įd
[15] Y. Kaladewa and K. A. Santoso, “Implementasi Sensor Kemiringan Sudut Untuk Alat Bantu (GRAB) Gantry Luffing Crane (GLC),” vol. 6, no. 2, Sep. 2021.
[16] A. Z. Arfianto et al., “Perangkat Informasi Dini Batas Wilayah Perairan Indonesia Untuk Nelayan Tradisional Berbasis Arduino dan Modul GPS NEO-6M,” 2018.
[17] A. Sulthoni, “Rancang Bangun Sistem Pendeteksi Vibrasi Pada Motor Sebagai Indikator Pengaman Terhadap Perubahan Beban Menggunakan Sesor Accelerometer GY-521 MPU-6050 Berbasis Arduino Uno,” Jurnal Teknik Elektro, vol. 7, no. 03, 2018.
[18] Z. B. Zakaria, A. Z. B. A. Zainuddin, H. B. M. Desa, M. F. B. S. Azari, S. A. B. Mohshim and M. S. B. A. Fadzil, "IoT-based Wheelchair Fall Detector for Elderly Care," 2023 International Conference on Engineering Technology and Technopreneurship (ICE2T), Kuala Lumpur, Malaysia, 2023, pp. 316-319, doi: 10.1109/ICE2T58637.2023.10540463. keywords: {Pressure sensors;GSM;Wheelchairs;Detectors;Gyroscopes;Internet of Things;Older adults;Wheelchair;Microcontroller;Fall Detection;Gyroscope;GSM module;GPS module},
[19] J. Antonio Santoyo-Ramón, E. Casilari, and J. Manuel Cano-García, “A study of the influence of the sensor sampling frequency on the performance of wearable fall detectors,” Measurement (Lond), vol. 193, Apr. 2022, doi: 10.1016/j.measurement.2022.110945.
[20] M. SALEH, N. GEORGI, M. ABBAS and R. L. B. JEANNÈS, "A Highly Reliable Wrist-Worn Acceleration-Based Fall Detector," 2019 27th European Signal Processing Conference (EUSIPCO), A Coruna, Spain, 2019, pp. 1-5, doi: 10.23919/EUSIPCO.2019.8902563. keywords: {Feature extraction;Acceleration;Detectors;Machine learning algorithms;Servers;Accelerometers;fall detection;machine learning;elderly health-care;wearable sensors;feature selection},
[21] Luna-Perejón, F.; Domínguez-Morales, M.J.; Civit-Balcells, A. Wearable Fall Detector Using Recurrent Neural Networks. Sensors 2019, 19, 4885. https://doi.org/10.3390/s19224885